孫遜

[摘 要]文章基于支持向量機(jī)模型對(duì)物流園區(qū)物流需求進(jìn)行預(yù)測(cè)，相較于傳統(tǒng)的網(wǎng)格式搜索對(duì)支持向量機(jī)參數(shù)尋優(yōu)，使用遺傳算法對(duì)支持向量機(jī)參數(shù)尋優(yōu)，能在實(shí)數(shù)集內(nèi)連續(xù)地尋找最優(yōu)參數(shù)組合，構(gòu)建出GA-SVM物流需求預(yù)測(cè)模型。并通過(guò)成都市實(shí)例驗(yàn)證了GA-SVM預(yù)測(cè)模型的有效性。

[關(guān)鍵詞]物流需求；預(yù)測(cè)；支持向量機(jī)；遺傳算法

[DOI]10.13939/j.cnki.zgsc.2017.15.252

1 引 言

物流園區(qū)是構(gòu)造良好物流環(huán)境的重要基礎(chǔ)設(shè)施，物流園區(qū)的需求預(yù)測(cè)是物流園區(qū)規(guī)劃體系中十分關(guān)鍵的環(huán)節(jié)，它是進(jìn)行物流園區(qū)功能布局研究的前提和補(bǔ)充。國(guó)內(nèi)外學(xué)者對(duì)物流需求預(yù)測(cè)方法研究大致分為以下兩個(gè)階段：第一階段主要采用的方法是基于傳統(tǒng)統(tǒng)計(jì)學(xué)的預(yù)測(cè)方法，主要包括：灰色模型[1]、線性回歸模型[2]及時(shí)間序列模型[3]等。第二階段在第一階段的方法中引入人工智能技術(shù)，以改善預(yù)測(cè)模型的性能，主要包括：神經(jīng)網(wǎng)絡(luò)模型[4]和支持向量機(jī)模型[5]等。

在實(shí)際應(yīng)用過(guò)程中，第一階段的預(yù)測(cè)模型在處理高維度、非線性數(shù)據(jù)時(shí)，無(wú)法獲得優(yōu)質(zhì)結(jié)果；而神經(jīng)網(wǎng)絡(luò)模型在學(xué)習(xí)樣本數(shù)量有限時(shí)，學(xué)習(xí)過(guò)程誤差易收斂于局部極小點(diǎn)，預(yù)測(cè)精度難以保證；學(xué)習(xí)樣本變量很多時(shí)，又容易陷入維數(shù)災(zāi)難。由于影響機(jī)制復(fù)雜，考慮到支持向量機(jī)是建立在結(jié)構(gòu)化風(fēng)險(xiǎn)最小化原則之上，可以有效地減少經(jīng)驗(yàn)風(fēng)險(xiǎn)帶來(lái)的影響，不僅對(duì)小樣本數(shù)據(jù)表現(xiàn)出良好的擬合精度，還對(duì)獨(dú)立的測(cè)試集表現(xiàn)出較小的誤差，在一定程度上對(duì)學(xué)習(xí)機(jī)的泛化能力有所提升，而且支持向量機(jī)算法是一個(gè)凸優(yōu)化問(wèn)題，在物流需求預(yù)測(cè)方面具有較明顯的優(yōu)勢(shì)，本文采用基于支持向量機(jī)學(xué)習(xí)理論的物流園區(qū)需求預(yù)測(cè)方法對(duì)成都市貨運(yùn)量進(jìn)行預(yù)測(cè)。

支持向量機(jī)參數(shù)的選取直接影響模型的預(yù)測(cè)精度，傳統(tǒng)的網(wǎng)格搜索參數(shù)組合已經(jīng)無(wú)法滿足對(duì)區(qū)域物流需求預(yù)測(cè)的精度要求，本文采用遺傳算法對(duì)支持向量機(jī)進(jìn)行參數(shù)尋優(yōu)，構(gòu)建GA-SVM區(qū)域物流需求預(yù)測(cè)模型，并對(duì)成都市物流需求進(jìn)行預(yù)測(cè)，結(jié)果證明GA-SVM預(yù)測(cè)模型的預(yù)測(cè)精度要優(yōu)于傳統(tǒng)的SVM預(yù)測(cè)模型。

2 GA-SVM預(yù)測(cè)模型的算法設(shè)計(jì)

2.1 支持向量機(jī)

支持向量機(jī)（Support Vector Machine，SVM），是Vapnik在20世紀(jì)90年代中期以統(tǒng)計(jì)學(xué)為基礎(chǔ)提出的一種新型機(jī)器學(xué)習(xí)方法，作為統(tǒng)計(jì)學(xué)理論中比較年輕和實(shí)用的理論，已經(jīng)在實(shí)際應(yīng)用中得到很大的發(fā)展，尤其是在小樣本、非線性及高維分類和回歸問(wèn)題中表現(xiàn)出了比較出色的效果。

相較于多項(xiàng)式核函數(shù)和Sigmoid核函數(shù)，徑向基核函數(shù)在先驗(yàn)知識(shí)不足的情況下，擁有更好的預(yù)測(cè)精度。因此，本文GA-SVM預(yù)測(cè)模型采用徑向基核函數(shù)作為預(yù)測(cè)模型的核函數(shù)。則SVM模型的待優(yōu)化參數(shù)有：核函數(shù)參數(shù)σ、不敏感函數(shù)參數(shù)和懲罰參數(shù)C。核函數(shù)參數(shù)σ是映射函數(shù)的參數(shù)，通過(guò)改變函數(shù)關(guān)系來(lái)影響映射的特征空間，表示映射規(guī)律的復(fù)雜程度；不敏感函數(shù)參數(shù)ε表示所能容忍的最高誤差，影響支持向量的個(gè)數(shù)；懲罰參數(shù)C是在確定的特征空間中調(diào)節(jié)學(xué)習(xí)機(jī)器的置信范圍和經(jīng)驗(yàn)風(fēng)險(xiǎn)的比例，對(duì)模型的泛化能力有很大影響。為了控制GA-SVM模型的誤差容忍范圍，在后續(xù)試驗(yàn)中，本文將不敏感函數(shù)參數(shù)ε確定為0.001。

2.2 遺傳算法

遺傳算法（Genetic Algorithm）是由Holland教授模擬達(dá)爾文生物進(jìn)化理論的自然選擇和遺傳學(xué)機(jī)制的生物進(jìn)化過(guò)程而創(chuàng)造出的計(jì)算模型，是一種通過(guò)模擬自然進(jìn)化過(guò)程搜索最優(yōu)解的方法。遺傳算法以它的實(shí)用、高效和魯棒性強(qiáng)等特點(diǎn)深受國(guó)內(nèi)外學(xué)者的青睞。

與其他傳統(tǒng)方法不同的是，遺傳算法并不依賴梯度信息和其他任何外部信息，而是通過(guò)模擬自然進(jìn)化過(guò)程來(lái)搜索最優(yōu)解，以適應(yīng)度函數(shù)作為搜索方向的引導(dǎo)，用選擇算子選擇親代和子代，用交叉和變異算子保證種群的多樣性。遺傳算法作為啟發(fā)式算法的一種，具有對(duì)可行解表示的廣泛性和不易陷入局部最優(yōu)解的特點(diǎn)，同時(shí)采用自然進(jìn)化的原理來(lái)表示復(fù)雜的現(xiàn)象，能夠快速可靠地解決非常困難的問(wèn)題。隱含的并行性也使算法在計(jì)算上的時(shí)間大大縮短。本文正是借助遺傳算法的這些特點(diǎn)，通過(guò)全局優(yōu)化能力來(lái)對(duì)支持向量機(jī)的參數(shù)進(jìn)行優(yōu)化。

2.3 GA-SVM預(yù)測(cè)模型算法實(shí)現(xiàn)

將遺傳算法與支持向量機(jī)算法相結(jié)合，提出一種基于GA-SVM的預(yù)測(cè)模型。支持向量機(jī)算法的核函數(shù)采用徑向基核函數(shù)（RBF），利用二進(jìn)制編碼對(duì)支持向量機(jī)模型的參數(shù)進(jìn)行編碼，通過(guò)遺傳算法的迭代尋優(yōu)得出最優(yōu)解，從而確定最優(yōu)的懲罰函數(shù)C、核函數(shù)參數(shù)σ，最后通過(guò)支持向量機(jī)模型得到最后的預(yù)測(cè)結(jié)果。

具體的模型實(shí)現(xiàn)步驟如下：

（1）確定支持向量機(jī)參數(shù)的取值范圍。

（2）確定遺傳算法運(yùn)行參數(shù)的大小。

（3）以二進(jìn)制編碼方式建立N×L矩陣作為種群，并隨機(jī)生成初始種群。

（4）將初始種群中的每個(gè)個(gè)體，利用支持向量回歸機(jī)程序進(jìn)行計(jì)算，將輸出結(jié)果與原數(shù)據(jù)進(jìn)行對(duì)比，計(jì)算出訓(xùn)練樣本的預(yù)測(cè)精度，從而得出每個(gè)個(gè)體的適應(yīng)度大小。

（5）如此循環(huán)N次，直到每個(gè)個(gè)體都計(jì)算出相應(yīng)的適應(yīng)度。

（6）對(duì)整個(gè)種群進(jìn)行遺傳操作（選擇、交叉、變異），獲得新種群。

（7）當(dāng)滿足終止條件時(shí)（達(dá)到最大進(jìn)化次數(shù)或適應(yīng)度連續(xù)系帶沒(méi)有變化），停止計(jì)算；否則轉(zhuǎn)到步驟（4），直到結(jié)果滿足終止條件。

（8）滿足終止條件獲得的輸出就是最優(yōu)解的懲罰函數(shù)C、核函數(shù)參數(shù)σ。將最優(yōu)參數(shù)輸入支持向量回歸機(jī)，對(duì)數(shù)據(jù)樣本進(jìn)行預(yù)測(cè)。

具體算法流程如圖1所示。

3 實(shí)例分析

為了驗(yàn)證GA-SVM算法的預(yù)測(cè)精度，本文使用MatlabR2013a作為編程工具對(duì)GA-SVM算法進(jìn)行了實(shí)現(xiàn)。同時(shí)選擇臺(tái)灣大學(xué)林智仁教授（Chih-Jen Lin）等開(kāi)發(fā)的支持向量機(jī)軟件Libsvm-2.88來(lái)做實(shí)驗(yàn)結(jié)果的比對(duì)。

本文采用成都市貨運(yùn)量作為被解釋變量，根據(jù)主成分分析法，選擇出相應(yīng)的指標(biāo)體系：第一產(chǎn)業(yè)產(chǎn)值、第二產(chǎn)業(yè)產(chǎn)值、第三產(chǎn)業(yè)產(chǎn)值、社會(huì)消費(fèi)品零售總額、進(jìn)出口貿(mào)易總額、城鎮(zhèn)居民可支配收入、農(nóng)村居民可支配收入、成都市貨運(yùn)量。以1996—2010年的數(shù)據(jù)樣本作為訓(xùn)練數(shù)據(jù)，以2011—2014年的數(shù)據(jù)樣本作為測(cè)試數(shù)據(jù)進(jìn)行實(shí)驗(yàn)。為了提高測(cè)試結(jié)果的可信程度，本文分別用兩種方法對(duì)數(shù)據(jù)樣本進(jìn)行多次實(shí)驗(yàn)和比對(duì)。

為了避免經(jīng)驗(yàn)風(fēng)險(xiǎn)帶來(lái)的預(yù)測(cè)誤差，本文通過(guò)調(diào)節(jié)懲罰函數(shù)C、核函數(shù)參數(shù)σ兩參數(shù)的范圍多次測(cè)試獲取預(yù)測(cè)精度較高的參數(shù)范圍：CE[0.1，100]，6E[0.01，1000]。最終預(yù)測(cè)結(jié)果如表2所示。

根據(jù)表2可知，GA-SVM模型在2013年貨運(yùn)量的預(yù)測(cè)中達(dá)到最低的相對(duì)誤差-0.231%，在2012年、2013年、2014年的相對(duì)誤差都在10%以內(nèi)達(dá)到了較高的預(yù)測(cè)精度。反觀SVM模型，除了2014年的相對(duì)誤差在10%以內(nèi)，其余各年份都超過(guò)了這個(gè)標(biāo)準(zhǔn)，在2011年的預(yù)測(cè)中達(dá)到了最高的-61.807%，很明顯GA-SVM的預(yù)測(cè)精度要優(yōu)于SVM的預(yù)測(cè)精度，如圖2所示。

4 結(jié) 論

本文主要針對(duì)物流園區(qū)物流需求預(yù)測(cè)問(wèn)題，設(shè)計(jì)了GA-SVM的預(yù)測(cè)模型。為了驗(yàn)證所建模型的有效性，論文以成都市為案例對(duì)模型進(jìn)行實(shí)證分析，其研究結(jié)果與臺(tái)灣大學(xué)林智仁教授（Chih-Jen Lin）等開(kāi)發(fā)的支持向量機(jī)軟件Libsvm的參數(shù)尋優(yōu)函數(shù)進(jìn)行了對(duì)比，結(jié)果證明GA-SVM預(yù)測(cè)模型在預(yù)測(cè)精度上要優(yōu)于傳統(tǒng)SVM預(yù)測(cè)模型。

參考文獻(xiàn)：

[1]鄒欣，張夢(mèng)芩.基于灰色GM（1，1）模型的四川省物流需求預(yù)測(cè)[J].物流技術(shù)，2015（5）：166-169.

[2]方威，肖衡，任湘郴.基于線性回歸模型的物流需求預(yù)測(cè)分析[J].生產(chǎn)力研究，2009（12）：100-101，116.

[3]曾鳴，程文明，林磊.狀態(tài)空間時(shí)間序列的區(qū)域物流需求預(yù)測(cè)研究[J].計(jì)算機(jī)工程與應(yīng)用，2014，50（15）：7-12.

[4]Gutierrez R. S.，Solis A. O.，Mukhopadhyay S..Lumpy Demand Forecasting Using Neural Networks[J].International Journal of Production Economics，2008，111（2）：409-420.

[5]陳善學(xué)，楊政，朱江，等.一種基于累加PSO-SVM的網(wǎng)絡(luò)安全態(tài)勢(shì)預(yù)測(cè)模型[J].計(jì)算機(jī)應(yīng)用研究，2015，32（6）：1778-1781.